arXiv:2008.07993v3 [cs.AI] 2020 年 12 月 23 日__

arXiv:2008.07993v3 [cs.AI] 2020 年 12 月 23 日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arXiv:2008.07993v3 [cs.AI] 2020 年 12 月 23 日

¥ 1.0

热度

摘要。预测性业务流程监控 (PBPM) 是一类旨在预测运行轨迹中的行为（例如下一个活动）的技术。PBPM 技术旨在通过向流程分析师提供预测来提高流程性能，支持他们进行决策。然而，PBPM 技术的有限预测质量被认为是在实践中建立此类技术的主要障碍。通过使用深度神经网络 (DNN)，可以提高该技术的预测质量，以完成诸如下一个活动预测之类的任务。虽然 DNN 实现了良好的预测质量，但由于其学习表示的分层方法，它们仍然缺乏可理解性。尽管如此，流程分析师需要理解预测的原因，以确定可能影响决策的干预机制，以确保流程性能。在本文中，我们提出了 XNAP，这是第一个可解释的基于 DNN 的 PBPM 技术，用于下一个活动预测。 XNAP 集成了可解释人工智能领域的分层相关性传播方法，通过提供活动的相关性值，使长短期记忆 DNN 的预测可解释。我们通过两个现实生活中的事件日志展示了我们的方法的优势。

添加pdf代下载 VIP点击下载文件